Modelo basado en deep learning para detección de caries en imágenes radiográficas en una clínica especializada, Trujillo 2023

Abstract

El fin de la presente investigación es la elaboración de un modelo de aprendizaje profundo para la detección de carie dental en imágenes radiográficas panorámicas. Para ello, el autor empleó el framework YOLO versión 8 para la clasificación de imágenes y la creación del modelo. Para la recopilación de datos se hizo uso de los registros de imágenes radiográficas panorámicas dentales, pertenecientes a pacientes mayore de 14 años de edad de una clínica odontológica. La ausencia y presencia de carie dental fue la característica por las que las imágenes fueron cuidadosamente etiquetadas por un especialista. Para entrenamiento y etapa de validación, fueron empleadas 1160 imágenes; y para la fase de prueba, se emplearon 290 imágenes que no fueron empleadas en las fases previas. Con lo anterior, la detección de carie dental alcanza un 80% de precisión. Finalmente, se puede corroborar que el grado de precisión del diagnóstico de carie basada en imágenes radiográficas mediante el uso de Deep Learning es óptimo y cercano al nivel de precisión de un especialista. El autor espera que el presente trabajo pueda contribuir con más investigaciones para clasificar imágenes radiográficas dentales que buscan detectar problemas de carie y que son llevados a cabo en consultorios odontológicos, generando de esta manera un medio de soporte para las decisiones de los casos clínicos de los pacientes.

The aim of this research is the development of a deep learning model for the detection of dental caries in panoramic radiographic images. For this purpose, the author used the YOLO v8 framework for image classification and model creation. For data collection, use was made of the records of dental panoramic radiographic images belonging to patients over 14 years of age from a dental clinic. The absence and presence of dental caries was the characteristic for which the images were carefully labeled by a specialist. For the training and validation stage, 1160 images were used; and for the test phase, 290 images that were not used in the previous phases were used. With the above, the detection of dental caries reached 70% accuracy. The result corroborates that the level of accuracy of caries diagnosis based on radiographic images using Deep Learning is optimal in addition to close to the level of accuracy of a specialist. The author hopes that the present work can contribute to further research to classify dental radiographic images that seek to detect caries problems and that are carried out in dental offices, thus generating a means of support for decisions on patients' clinical cases.